Mit maschinellem Lernen die Simulation unregelmäßig geformter Partikel beschleunigen

Die Simulation von Partikeln ist relativ einfach, wenn es sich um kugelförmige Partikel handelt. In der realen Welt sind die meisten Partikel jedoch keine perfekten Kugeln, sondern haben unregelmäßige und unterschiedliche Formen und Größen. Die Simulation dieser Partikel wird zu einer viel anspruchsvolleren und zeitaufwändigeren Aufgabe.

Die Fähigkeit, Partikel zu simulieren, ist entscheidend, um ihr Verhalten zu verstehen. Mikroplastik beispielsweise ist eine neue Form der Verschmutzung, da Plastikmüll drastisch zugenommen hat und in der Umwelt entweder durch mechanische Einflüsse oder durch UV-Strahlung unkontrolliert zerfällt. Diese winzigen Partikel sind mittlerweile fast überall auf der Welt zu finden. Um diese Umweltkrise beheben zu können, ist es wichtig, mehr über diese Partikel und ihr Verhalten zu verstehen.

Um diese Herausforderung zu meistern, haben Forscher der University of Illinois Urbana-Champaign neuronale Netzwerke darauf trainiert, Wechselwirkungen zwischen unregelmäßig geformten Partikeln vorherzusagen und so molekulardynamische Simulationen zu beschleunigen. Mit dieser Methode können Simulationen bis zu 23-mal schneller durchgeführt werden als mit herkömmlichen Simulationsmethoden und können mit ausreichend Trainingsdaten auf jede unregelmäßige Form angewendet werden.

Diese Forschung mit dem Titel „Molekulardynamiksimulationen anisotroper Partikel, die durch neuronale Netze beschleunigt werden“ ist veröffentlicht In Das Journal der chemischen Physik.

„Mikroplastik ist heute überall in der Umwelt vorhanden. Die meisten davon sind keine Kugeln, sondern sehr heterogen und haben Ecken und Kanten. Um das Problem ihres Verhaltens in der Umwelt anzugehen, müssen wir neue Methoden entwickeln und Wege finden, sie schneller, billiger und effizienter zu simulieren“, sagt Antonia Statt, Professorin für Materialwissenschaft und Werkstofftechnik.

Kugeln lassen sich leicht simulieren, da der einzige Parameter, der zur Bestimmung der Wechselwirkung zweier Partikel benötigt wird, der Abstand zwischen den Mittelpunkten der Kugeln ist. Um von einer Kugel zu komplizierteren Formen – wie Würfeln oder Zylindern – zu gelangen, muss man nicht nur wissen, wie weit zwei Partikel voneinander entfernt sind, sondern auch die Winkel und die relativen Positionen jedes Partikels. Bei der traditionellen Methode zur Simulation von Würfeln wird der Würfel beispielsweise aus vielen kleinen Kugeln aufgebaut.

„Es ist eine sehr umständliche Art, einen Würfel zu beschreiben, indem man ihn mit kleinen Kugeln mosaikartig aufteilt“, erklärt Statt. „Es ist auch teuer, weil man die Wechselwirkungen aller kleinen Kugeln untereinander berechnen muss. Um das zu umgehen, haben wir maschinelles Lernen verwendet – ein Feedforward-Neuralnetz –, was eine elegante Art ist zu sagen: ‚Lasst uns eine komplizierte Funktion anpassen, die wir nicht kennen.‘ Und neuronale Netze sind wirklich gut darin. Wenn man ihnen genügend Daten zur Verfügung stellt, können sie alles anpassen, was man will.“

Bei dieser Methode müssen nicht alle Abstände zwischen den kleinen Kugeln einzeln berechnet werden. Es werden nur der Abstand von Würfelmitte zu Würfelmitte und seine relative Ausrichtung benötigt, was die Berechnung viel einfacher und schneller macht. Darüber hinaus ist diese Methode genauso genau wie herkömmliche Methoden. Genauer kann sie nicht sein, da sie mit Daten trainiert wird, die mit herkömmlichen Methoden erzeugt wurden, aber sie kann effizienter sein.

Statt möchte in Zukunft auch kompliziertere unregelmäßige Formen sowie Mischungen verschiedener Formen simulieren können, etwa einen Würfel und einen Zylinder statt zwei Würfeln. „Wir müssen alle einzelnen Interaktionen lernen, aber die Methode ist allgemein genug, dass wir das schaffen“, sagt sie.

Weitere Mitwirkende an dieser Arbeit sind B. Ruşen Argun (Fakultät für Maschinenbau, Illinois) und Yu Fu (Fakultät für Physik, Illinois).